신경세포의 세포적 특성을 규명하는 것은 뇌 내 신경세포 기능을 이해하는 데 있어 핵심적인 과제이다. 이러한 목적을 달성하기 위해, 다중 모달 세포 데이터셋을 통합하고 인과관계를 설정하는 데 핵심적인 역할을 하는 생물학적으로 현실감 있는 모델 개발이 중요하다. 그러나 현재의 모델링 접근법은 실험적 신경세포 데이터의 제한적인 가용성과 내재적인 변동성으로 인해 여전히 제약을 받고 있다. 기존 생물학적 현실감 있는 모델의 결정론적 형식은 실험적으로 관측되는 자연스러운 변동성을 반영하기 어렵다. 딥러닝 기법이 이 분야에서 점점 더 중요한 역할을 하고 있지만, 여전히 신경세포의 전체적인 생물물리적 복잡성, 비선형 전압 역학, 그리고 변동성을 충분히 포착하지 못하고 있다. 이러한 한계를 극복하기 위해, 우리는 해석 가능한 신경세포 특성의 연속적인 주파수 변조 임베딩에서 세포체 전압 반응(전류 주입에 의해 유도됨)으로의 매핑을 학습하는 신경 연산자 프레임워크인 NOBLE를 제안한다. 생물학적으로 현실감 있는 신경세포 모델로부터 생성된 합성 데이터를 기반으로 훈련된 NOBLE는 내재적인 실험적 변동성을 고려한 신경 동역학의 분포를 예측할 수 있다. 기존의 전통적인 생물학적 현실감 있는 신경세포 모델과 달리, 임베딩 공간 내에서의 보간을 통해 실험적으로 관측된 반응과 일치하는 동역학을 가진 모델을 생성할 수 있다. NOBLE는 실험 데이터와 매우 유사한 특성을 지닌 합성 신경세포를 효율적으로 생성할 수 있으며, 시험 간 변동성도 반영할 수 있다. 이는 수치 해법 대비 4200배 빠른 속도를 제공한다. NOBLE는 실제 실험 데이터를 활용해 일반화 성능을 검증한 최초의 확장형 딥러닝 프레임워크이다. 이를 통해 NOBLE는 세포 구성과 계산 메커니즘, 뉴모포닉 아키텍처, 대규모 뇌 회로, 그리고 일반화된 뉴로AI 응용 분야에 대한 심층적 이해를 가능하게 하는 독창적이고 급성장하는 방식으로 핵심 신경세포 특성을 포착한다.